Int J Appl Earth Obs |城市热岛环境的决定因素：针对中国主要城市的机器学习研究

来源：生态遥感前沿

在全球尺度的气候变化下，城市热岛（UHI）与全球变暖以及极端高温产生协同作用，进一步推动城市热环境的恶化。然而，对城市规划者和建设者而言，局部的环境因素才是在设计和应用优化城市环境的措施中可实际操作的因素。因此，研究这些局部的地表因素对改善城市的热环境起到至关重要的作用。

已有大量研究工作致力于揭示和量化能够持续缓解UHI的局部环境因素，包括地表反照率、绿地覆盖率和城市形态等。然而，应用传统的物理或统计方法去确定不同局部环境因素对UHI的影响的分析通常具有局限性，它们普遍将多个因素分开单独处理，或对多个变量做线性回归等。考虑到不同局部环境因素在实际情况中是通过复杂的（通常是非线性的）协同作用以调节最终的UHI强度，不同局部环境因素对UHI的驱动力仍有必要深入研究。

机器学习（ML）方法的进步为解决这一问题提供了新的工具。尽管机器学习方法在UHI研究中的应用尚处于初期阶段，但已经取得较好的效果。例如，Venter等（2021）使用机器学习算法探讨了UHI效应的形成机制，并将地表的空气动力学粗糙度作为UHI强度的主要驱动因素。机器学习算法还用于城市环境系统设计的多目标优化（城市热的环节和碳中和）（Li等，2022），或者用于预测UHI和热浪的强度（Oh等，2020；Li等，2023年）。

图1. 研究的整体框架

有鉴于此，中科院地理科学与资源研究所苏红波研究团队和美国亚利桑那州立大学Ruijie Zeng、Tianfang Xu和Zhi-Hua Wang三位教授合作，利用中国6个主要城市群的多源数据和特定的机器学习方法（随机森林算法，RF）量化了植被节律（NDVI）、地表反照率（Albedo）、城市形态（VAR）和人类活动（NTL）等局部环境因素对地表UHI强度变化的相对驱动力，并对有效改善城市热环境的规划策略提出建议。

图2. RF方法对不同城市群的四个局部环境因素对年均地表UHI强度变化的相对驱动力的量化

结果表明，局部环境因素对地表UHI的驱动力具有较大的时空分异。整体上，植被节律是中国主要城市的地表UHI强度的最主要的决定因素，其次是地表反照率。本研究的结果为缓解UHI的城市规划提供理论支撑，并为ML方法在UHI研究中的进一步应用提供借鉴。本研究证实并呼应了我们在以前的研究中提出的观点，即不太可能存在适用于所有情况的一揽子（one-solution-fits-all）UHI缓解策略。

图3. RF方法对一个城市群中不同城市不同季节的四个局部环境因素对地表UHI强度驱动力的量化